深度学习里的一些优化算法

1.引言

（本文参考AI圣经《深度学习》一书，仅作为学习交流）
本文梳理SGD，标准动量SGD，Nesterov动量SGD算法，以及Adagrad, AdaDelta，Adam，RMSProp，Nesterov动量RMSProp自适应学习率算法
在深度学习中我们定义了损失函数以后，会采取各种各样的方法来降低损失函数。不过损失函数的数值只是我们用来优化模型中参数的一个参考量，我们是通过优化损失函数来间接地优化模型参数，并提高模型的度量指标。假设我们需要优化的目标函数为 $J(\theta)$ :
$J(\theta)=E_{(x,y)\hat{p}_{data}}L(f(x;\theta),y)$
其中 $L$ 是每个样本的损失函数， $f(x;\theta),y)$ 是输入 $x$ 时所预测的输出， $y$ 是目标输出， $\hat{p}_{data}$ 是训练集上的经验分布。但理论上希望 $p_{data}$ 是真实的数据生成分布。在机器学习中，我们用经验分布来代替真实分布，毕竟你无法收集到所有的样本数据，而是仅采用训练集进行训练。但我们仍然不知道数据的分布是怎么样的，我们只能通过求期望，并将期望损失最小化来将这个机器学习问题转换为一个优化问题。我们优化的目的就是为了最小化经验风险：
$E_{(x,y)\hat{p}_{data}}L(f(x;\theta),y)=\frac{1}{m}\sum^{m}_{i=1}L(f(x^{(i)};\theta),y^{(i)})$
其中 $m$ 是训练样本的数目。
基于这种最小化平均训练误差的训练过程被称为经验风险最小化。

2. 批量算法和小批量算法

在深度学习的训练中，训练集中的样本数量往往是成千上万的，通过遍历每一个样本对期望进行计算所需要的计算量是非常大的。在实际中，往往是在训练集中少量采样一些数据拿来计算，然后求出这些样本的平均值。
实际上可以找到两个理由来支撑为何采用小批量算法：
第一，n个样本的均值的标准差是 $\sigma/\sqrt{n}$ ，其中 $\sigma$ 是样本值真实的标准差。分母 $\sqrt{n}$ 说明样本数量的贡献是低于线性的，可以算一下，我们用100个样本和用10000个样本来计算均值标准差，多用了100倍的数据，却只降低了10倍的标准差。如果能够迅速求出估计值，而不是缓慢计算准确值，会加快算法的收敛速度。
第二，训练集中经常会存在冗余的情况，完全有可能出现相同数据，如果重复了m次，那么用小批量算法就可以少花m倍的时间。

3. SGD算法与引入动量的SGD算法

3.1 SGD算法

随机梯度下降法（SGD）是一种非常经典的优化算法，常应用在机器学习中，尤其是深度学习中。首先从训练集中随机选取m个样本的生成得到一个小批量，然后计算他们的梯度均值。

算法:SGD在k个训练迭代的参数更新
输入：学习率 $\epsilon_k$
输入：初始参数 $\theta$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度估计： $\hat{g}\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},\theta),y^{(i)})$
更新参数： $\theta\leftarrow \theta-\epsilon\hat{g}$
end while

SGD中的超参数是学习率，在实际的训练中，我们需要逐步地降低学习率，因此将第 $k$ 步的学习率记为 $\epsilon_k$ ，通常采用指数衰减的策略对学习率进行调整。

3.2 动量SGD算法

动量是一个物理学中类比过来的概念，它是为了解决经典的SGD收敛速度慢的问题而提出的。它能够保留上一轮更新中的参数更新增量，并加入该轮的梯度。
参数更新变为： $\theta \leftarrow \theta+v$
$v$ 的更新为： $v \leftarrow \alpha v-\epsilon \nabla_{\theta}J(\theta)$
其中 $\alpha$ 是动量参数， $\nabla_{\theta}J(\theta)$ 是当前轮次计算得到的梯度。
可以发现参数 $\theta$ 更新不再是仅仅加上梯度变化 $\hat{g}=\nabla_{\theta}J(\theta)$ ，而是加了个速度 $v$ ，这个 $v$ 就表示引入的动量元素，通过式子也可以看出来：第一，它可以保留上一次的梯度信息，通过动量参数 $\alpha$ 来控制上一次的更新量对本次更新量的影响，注意到它是一个非负项，所以它起到了“惯性”的作用，上一次的增量大则带给本次更新的增量影响就大；如果上一次的增量小，那么它带给本次更新的增量影响就小。
可以对SGD算法和动量SGD算法进行对比：
经典SGD算法：
1.直接用梯度更新参数 $\theta$ .
$\theta\leftarrow \theta-\epsilon\hat{g}$
动量SGD算法：

计算速度 $v$ 更新. 2. 利用速度 $v$ 来更新参数 $\theta$ .
$\begin{aligned} &v \leftarrow \alpha v-\epsilon \hat{g}\\ &\theta\leftarrow \theta+v \end{aligned}$

给出动量SGD算法流程如下：

算法:引入动量的SGD在k个训练迭代的参数更新
输入：学习率 $\epsilon$ ，动量参数 $\alpha$
输入：初始参数 $\theta$ ,初始速度 $v$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度估计： $\hat{g}\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},\theta),y^{(i)})$
计算速度更新： $v \leftarrow \alpha v-\epsilon \hat{g}$
更新参数： $\theta\leftarrow \theta+v$
end while

3.3 Nesterov动量SGD算法

Nesterov动量SGD算法与标准动量算法类似，只不过在计算梯度前对参数 $\theta$ 进行了校正。使得在计算梯度之前给参数 $\theta$ 加上一个动量因子，而不是原模原样地把上一次的 $\theta$ 拿来求解梯度。可以做一下对比：
标准动量SGD算法中的梯度估计：
1.直接用上一次更新得到的 $\theta$ 求梯度
$\hat{g}\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},\theta),y^{(i)})$
Nesterov动量SGD算法中的梯度估计：
1.用上一次更新得到的 $\theta$ 先求一个临时参数.
2.用临时参数求梯度.
$\begin{aligned} &\widetilde{\theta}\leftarrow \theta+\alpha v\\ &\hat{g}\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},\widetilde{\theta}),y^{(i)})\\ \end{aligned}$

给出Nesterov动量的SGD算法流程如下：

算法:引入Nesterov动量的SGD在k个训练迭代的参数更新
输入：学习率 $\epsilon$ ，动量参数 $\alpha$
输入：初始参数 $\theta$ ,初始速度 $v$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算临时参数： $\widetilde{\theta}\leftarrow \theta+\alpha v$
计算梯度估计： $\hat{g}\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},\widetilde{\theta}),y^{(i)})$
计算速度更新： $v \leftarrow \alpha v-\epsilon \hat{g}$
更新参数： $\theta\leftarrow \theta+v$
end while

4.自适应学习率算法

学习率本身就是很难调试的一个超参数，这是工业界公认的事情。动量算法只能在一定程度上缓解调参的压力，但代价是多引入了一个超参数。总有人会想有没有更简便的方法，于是就提出来了Adagrad, AdaDelta, Adam, RMSProp, 动量RMSProp等自适应学习率算法。本节梳理各个算法流程，并进行对比。

4.1Adagrad算法

算法:Adagrad算法
输入：全局学习率 $\epsilon$
输入：初始参数 $\theta$
输入：小常数 $\delta$ ，为了数值稳定大约设置为 $10^{-7}$
初始化梯度累积量 $r=0$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度估计： $g\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\theta}),y^{(i)})$
累积平方梯度： $r \leftarrow r+g \odot g$
计算参数更新量： $\Delta \theta \leftarrow-\frac{\epsilon}{\delta+\sqrt{r}}\odot g$
更新参数： $\theta\leftarrow \theta+\Delta \theta$
end while

Adagrad算法可以说是与SGD算法的框架非常像了，我们来对比一下区别之处：
SGD算法中的参数更新：
1.直接用梯度来更新参数 $\theta$
$\theta\leftarrow \theta-\epsilon g$
Adagrad算法中的参数更新：
1.梯度累积变量与梯度内积累加得到累积平方梯度.
2.利用累积平方梯度计算参数更新量 $\Delta \theta$ 。
3.利用参数更新量 $\Delta \theta$ 更新参数 $\theta$ .
$\begin{aligned} &r \leftarrow r+g \odot g\\ &\Delta \theta \leftarrow-\frac{\epsilon}{\delta+\sqrt{r}}\odot g\\ &\theta\leftarrow \theta+\Delta \theta \end{aligned}$

4.2 AdaDelta

算法:AdaDelta算法在第k轮的迭代
输入：衰减率 $\rho$ , 全局学习率 $\epsilon$
输入：初始参数 $\theta_k$
初始化梯度累积量 $E[g^2]_0=0,E[\Delta \theta ^2]_0=0$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度： $g_k \leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\theta}),y^{(i)})$
累积梯度平方期望： $E[g^2]_k \leftarrow \rho E[g^2]_{k-1}+(1-\rho)g^2_k$
计算参数更新量： $\Delta \theta_k \leftarrow-\frac{ \sqrt{E[\Delta \theta^2]_{k-1}+\epsilon}}{\sqrt{E[g^2]_k+\epsilon}}g_k=\frac{RMS[\Delta \theta]_{k-1}}{RMS[g]_{k}}g_k$
缓存累积更新： $E[\Delta \theta^2]_k \leftarrow \rho E[\Delta \theta^2]_{k-1}+(1-\rho)\Delta \theta^2$
更新参数： $\theta_{k+1}\leftarrow \theta_k+\Delta \theta_k$
end while

AdaDelta算法是adagrad算法的延伸和改进，他们的不同之处在于：
Adagrad算法中的参数更新：
1.梯度累积变量与梯度内积累加得到累积平方梯度.
2.利用累积平方梯度计算参数更新量 $\Delta \theta$ 。
3.利用参数更新量 $\Delta \theta$ 更新参数 $\theta$ .
$\begin{aligned} &r \leftarrow r+g \odot g\\ &\Delta \theta \leftarrow-\frac{\epsilon}{\delta+\sqrt{r}}\odot g\\ &\theta\leftarrow \theta+\Delta \theta \end{aligned}$
AdaDelta算法中的参数更新：
1.计算累积平方期望 $E[g^2]_k$ .
2.计算参数更新量 $\Delta \theta_k$ .
3.缓存累积更新 $E[\Delta \theta^2]_k$ .
4.利用参数更新量 $\Delta \theta$ 更新参数 $\theta$ .
$\begin{aligned} &E[g^2]_k \leftarrow \rho E[g^2]_{k-1}+(1-\rho)g^2_k \\ &\Delta \theta_k \leftarrow-\frac{ \sqrt{E[\Delta \theta^2]_{k-1}+\epsilon}}{\sqrt{E[g^2]_k+\epsilon}}g_k=\frac{RMS[\Delta \theta]_{k-1}}{RMS[g]_{k}}g_k\\ &E[\Delta \theta^2]_k \leftarrow \rho E[\Delta \theta^2]_{k-1}+(1-\rho)\Delta \theta^2\\ &\theta_{k+1}\leftarrow \theta_k+\Delta \theta_k\\ \end{aligned}$

4.3RMSProp算法

算法:RMSProp算法
输入：全局学习率 $\epsilon$ ，衰减率 $\rho$
输入：初始参数 $\theta$
输入：小常数 $\delta$ ，为了数值稳定大约设置为 $10^{-6}$
初始化梯度累积量 $r=0$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度估计： $g\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\theta}),y^{(i)})$
累积平方梯度： $r \leftarrow \rho r+(1-\rho)g \odot g$
计算参数更新量： $\Delta \theta \leftarrow-\frac{\epsilon}{\sqrt{\delta+r}}\odot g$
更新参数： $\theta\leftarrow \theta+\Delta \theta$
end while

RMSProp算法实际上对AdaGrad算法做出了改进，修改了累积平方梯度和参数更新量的计算方法，在非凸情况下比AdaGrad效果较好。
RMSProp算法和AdaGrad算法区别在于：
AdaGrad算法：
1.梯度累积变量与梯度内积累加得到累积平方梯度.
2.利用累积平方梯度计算参数更新量 $\Delta \theta$ 。
$\begin{aligned} &r \leftarrow r+g \odot g\\ &\Delta \theta \leftarrow-\frac{\epsilon}{\delta+\sqrt{r}}\odot g\\ \end{aligned}$
RMSProp算法：
1.梯度累积变量与梯度内积累加得到累积平方梯度.
2.利用累积平方梯度计算参数更新量 $\Delta \theta$ 。
$\begin{aligned} &r \leftarrow \rho r+(1-\rho)g \odot g\\ &\Delta \theta \leftarrow-\frac{\epsilon}{\sqrt{\delta+r}}\odot g\\ \end{aligned}$

4.3Nesterov动量RMSProp算法

算法:Nesterov动量RMSProp算法
输入：全局学习率 $\epsilon$ ，衰减率 $\rho$ ，动量系数 $\alpha$
输入：初始参数 $\theta$ , 初始速度参数 $v$
初始化梯度累积量 $r=0$
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算临时参数： $\widetilde{\theta} \leftarrow \theta+\alpha v$
计算梯度估计： $g\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\widetilde{\theta}}),y^{(i)})$
累积平方梯度： $r \leftarrow \rho r+(1-\rho)g \odot g$
计算速度更新： $v \leftarrow \alpha v-\frac{\epsilon}{\sqrt{r}}\odot g$
更新参数： $\theta\leftarrow \theta+v$
end while

给出RMSProp算法与动量RMSProp算法的区别：
RMSProp算法：
1.梯度累积变量与梯度内积累加得到累积平方梯度.
2.利用累积平方梯度计算参数更新量 $\Delta \theta$ .
3.利用参数更新量 $\Delta \theta$ 更新参数 $\theta$ .
$\begin{aligned} &r \leftarrow \rho r+(1-\rho)g \odot g\\ &\Delta \theta \leftarrow-\frac{\epsilon}{\sqrt{\delta+r}}\odot g\\ &\theta\leftarrow \theta+\Delta \theta \\ \end{aligned}$
Nesterov动量RMSProp算法：
1.计算临时参数 $\widetilde{\theta}$
2.利用临时参数计算梯度g$$
3.计算累积平方梯度 $r$
4.计算速度更新 $v$
5.利用速度更新参数 $\theta$

$\begin{aligned} & \widetilde{\theta} \leftarrow \theta+\alpha v\\ &g\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\widetilde{\theta}}),y^{(i)})\\ &r \leftarrow \rho r+(1-\rho)g \odot g\\ &v \leftarrow \alpha v-\frac{\epsilon}{\sqrt{r}}\odot g\\ &\theta\leftarrow \theta+v \\ \end{aligned}$

4.4Adam算法

算法:Adam算法
输入：全局学习率 $\epsilon$ （建议默认0.001）
输入：矩估计的指数衰减率， $\rho_1,\rho_2$ 在区间 $[0,1)$ 内（建议默认0.9和0.999）
输入：用于数值稳定的小常数 $\delta$ (建议默认 $10^{-7}$ )
输入：初始参数 $\theta$
初始化一阶和二阶矩变量s=0, r=0
初始化时间步t=0
while 未满足停止条件 do
从训练集中采集包含m个样本 $\{x^{(1)},x^{(2)},...,x^{(m)}\}$ 的小批量，其中数据 $x^{(i)}$ 和对应目标 $y^{(i)}$
计算梯度： $g\leftarrow \frac{1}{m}\nabla_{\theta}L(f(x^{(i)},{\theta}),y^{(i)})$
$t \leftarrow t+1$
更新有偏一阶矩估计： $s \leftarrow \rho_1s+(1-\rho_1)g$
更新有偏二阶矩估计： $r \leftarrow \rho_2r+(1-\rho_2)g\odot g$
修正一阶矩的偏差： $\hat{s} \leftarrow \frac{s}{1-\rho^t_1}$
修正二阶矩的偏差： $\hat{r} \leftarrow \frac{r}{1-\rho^t_2}$
计算更新量： $\Delta \theta \leftarrow -\epsilon\frac{\hat{s}}{\sqrt{\hat{r}}+\delta}$
计算更新： $\theta \leftarrow \theta+\Delta \theta$
end while

Adam算法与其他的优化算法相比，区别还是比较大的，在参数更新的过程中，首先计算了有偏一阶矩和二阶矩，然后修正一阶矩和二阶矩的偏差，再用修正后的一阶和二阶矩求解参数更新量，最后利用参数更新量对参数进行更新。

5.关于优化的二阶方法

前面提到的优化方法基本上都是利用一阶导数进行优化的方法，常用的二阶近似方法有：牛顿法，共轭梯度法，BFGS.以后有机会再来更新吧.

最后编辑于：2018.09.02 17:34:59

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 158,560评论 4赞 361
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 67,104评论 1赞 291
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 108,297评论 0赞 243
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 43,869评论 0赞 204
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 52,275评论 3赞 287
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 40,563评论 1赞 216
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 31,833评论 2赞 312
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 30,543评论 0赞 197
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 34,245评论 1赞 241
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 30,512评论 2赞 244
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 32,011评论 1赞 258
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 28,359评论 2赞 253
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 33,006评论 3赞 235
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 26,062评论 0赞 8
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 26,825评论 0赞 194
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 35,590评论 2赞 273
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 35,501评论 2赞 268